نموذج تعلم آلي للتنبؤ بانسحاب العملاء (Churn Prediction Model)

اللغة والأدوات المستخدمة: Python – Pandas – Scikit-learn – Matplotlib – Seaborn وصف المشروع: تم بناء نموذج تعلم آلي للتنبؤ بما إذا كان العميل مرشحًا للانسحاب من الخدمة استنادًا إلى بيانات استخدامه للاتصالات وخصائص اشتراكه. يعتمد المشروع على تحليل بيانات العملاء في قطاع الاتصالات بهدف تقليل معدلات الانسحاب وتحسين استراتيجيات الاحتفاظ. البيانات المستخدمة: مجموعة بيانات "Telecom Churn" تحتوي على معلومات عن العملاء مثل: البيانات الديموغرافية، نوع العقد، مدة الاشتراك، تفاصيل الفواتير والاستهلاك الشهري. خطوات العمل: معالجة البيانات: تنظيف البيانات والتعامل مع القيم المفقودة، وتحويل المتغيرات الفئوية إلى رقمية، وإجراء عملية المقياس (Scaling). التحليل الاستكشافي (EDA): دراسة العلاقة بين الانسحاب وعوامل مثل نوع العقد، مدة الاشتراك، والمصاريف الشهرية. النماذج المطبقة: Logistic Regression، Decision Tree، Random Forest، SVM، K-Nearest Neighbors. التقييم: استخدام المقاييس Accuracy، Precision، Recall، F1-Score، وROC-AUC لمعالجة مشكلة عدم توازن الفئات. النتائج: حقق نموذج Random Forest وLogistic Regression أفضل توازن بين الدقة وسهولة التفسير، مما يتيح فهماً واضحاً للعوامل المؤثرة في انسحاب العملاء. النتيجة النهائية: نموذج عملي يمكن استخدامه لدعم قرارات التسويق وتحسين استراتيجيات الاحتفاظ بالعملاء في شركات الاتصالات.